- pydantic库是什么
pydantic库是一种常用的用于数据接口schema定义与检查的库。
通过pydantic库，我们可以更为规范地定义和使用数据接口，这对于大型项目的开发将会更为友好。
当然，除了pydantic库之外，像是valideer库、marshmallow库、trafaret库以及cerberus库等都可以完成相似的功能，但是相较之下，pydantic库的执行效率会更加优秀一些。
因此，这里，我们仅针对pydantic库来介绍一下如何规范定义标准schema并使用。
- pydantic库用法考察
- 基本使用方法
- schema基本定义方法
pydantic库的数据定义方式是通过BaseModel类来进行定义的，所有基于pydantic的数据类型本质上都是一个BaseModel类，它最基本的使用方式如下：
from pydantic import BaseModel
class Person(BaseModel):
name: str
- 基本的schema实例化方法
调用时，我们只需要对其进行实例化即可，实例化方法有以下几种：
直接传值
p = Person(name="Tom")
print(p.json()) # {"name": "Tom"}
通过字典传入
p = {"name": "Tom"}
p = Person(**p)
print(p.json()) # {"name": "Tom"}
通过其他的实例化对象传入
p2 = Person.copy(p)
print(p2.json()) # {"name": "Tom"}
当传入值错误的时候，pydantic就会抛出报错，例如：
Person(person="Tom")
pydantic会抛出异常：
ValidationError: 1 validation errors for Person
name
field required (type=value_error.missing)
另一方面，如果传入值多于定义值时，BaseModel也会自动对其进行过滤。如：
p = Person(name="Tom", gender="man", age=24)
print(p.json()) # {"name": "Tom"}
可以看到，额外的参数gender与age都被自动过滤了。
通过这种方式，数据的传递将会更为安全，但是，同样的，这也要求我们在前期的schema定义中必须要尽可能地定义完全。
此外，pydantic在数据传输时会直接进行数据类型转换，因此，如果数据传输格式错误，但是可以通过转换变换为正确的数据类型是，数据传输也可以成功，例如：
p = Person(name=123)
print(p.json()) # {"name": "123"}
- pydantic基本数据类型
下面，我们来看一下pydantic中的一些常用的基本类型。
from pydantic import BaseModel
from typing import Dict, List, Sequence, Set, Tuple
class Demo(BaseModel):
a: int # 整型
b: float # 浮点型
c: str # 字符串
d: bool # 布尔型
e: List[int] # 整型列表
f: Dict[str, int] # 字典型，key为str，value为int
g: Set[int] # 集合
h: Tuple[str, int] # 元组
更多的有关pydantic基本数据类型的介绍可以参考官网说明文档。
-
高级数据结构考察
这里，我们给出一些较为复杂的数据类型的实现。 -
enum数据类型
enum型数据类型我们可以通过enum库进行实现，给出一个例子如下：
from enum import Enum
class Gender(str, Enum):
man = "man"
women = "women"
- 可选数据类型
如果一个数据类型不是必须的，可以允许用户在使用中不进行传入，则我们可以使用typing库中的Optional方法进行实现。
给出一个例子如下：
from typing import Optional
from pydantic import BaseModel
class Person(BaseModel):
name: str
age: Optional[int]
需要注意的是，设置为可选之后，数据中仍然会有age字段，但是其默认值为None，即当不传入age字段时，Person仍然可以取到age，只是其值为None。
例：
p = Person(name="Tom")
print(p.json()) # {"name": "Tom", "age": None}
- 数据默认值的设置
上述可选数据类型方法事实上是一种较为特殊的给予数据默认值的方法，只是给其的默认值为None。
这里，我们给出一些更加一般性的给出数据默认值的方法。
其实现方式也极其简单，下面，我们直接给出例子如下：
from pydantic import BaseModel
class Person(BaseModel):
name: str
gender: str = "man"
p = Person(name="Tom")
print(p.json()) # {"name": "Tom", "gender": "man"}
- 允许多种数据类型
如果一个数据可以允许多种数据类型，我们可以通过typing库中的Union方法进行实现。
给出一个例子如下：
from typing import Union
from pydantic import BaseModel
class Time(BaseModel):
time: Union[int, str]
t = Time(time=12345)
print(t.json()) # {"time": 12345}
t = Time(time = "2020-7-29")
print(t.json()) # {"time": "2020-7-29"}
- 异名数据传递方法
假设我们之前已经定义了一个schema，将其中某一个参量命名为了A，但是在后续的定义中，我们希望这个量被命名为B，要如何完成这两个不同名称参量的相互传递呢？
我们可以通过Field方法来实现这一操作。
给出例子如下：
from pydantic import BaseModel, Field
class Password(BaseModel):
password: str = Field(alias = "key")
则在传入时，我们需要用key关键词来传入password变量。
给出实例化代码如下：
p = Password(key="123456")
print(p.json()) # {"password": "123456"}
- 多级schema定义样例
这里，我们给出一个较为复杂的基于pydantic的schema定义实现样例。
from enum import Enum
from typing import List, Union
from datetime import date
from pydantic import BaseModel
class Gender(str, Enum):
man = "man"
women = "women"
class Person(BaseModel):
name : str
gender : Gender
class Department(BaseModel):
name : str
lead : Person
cast : List[Person]
class Group(BaseModel):
owner: Person
member_list: List[Person] = []
class Company(BaseModel):
name: str
owner: Union[Person, Group]
regtime: date
department_list: List[Department] = []
需要注意的是，我们除了可以一步一步地实例化之外，如果我们已经有了一个完整的Company的内容字典，我们也可以一步到位地进行实例化。
例如：
sales_department = {
"name": "sales",
"lead": {"name": "Sarah", "gender": "women"},
"cast": [
{"name": "Sarah", "gender": "women"},
{"name": "Bob", "gender": "man"},
{"name": "Mary", "gender": "women"}
]
}
research_department = {
"name": "research",
"lead": {"name": "Allen", "gender": "man"},
"cast": [
{"name": "Jane", "gender": "women"},
{"name": "Tim", "gender": "man"}
]
}
company = {
"name": "Fantasy",
"owner": {"name": "Victor", "gender": "man"},
"regtime": "2020-7-23",
"department_list": [
sales_department,
research_department
]
}
company = Company(**company)
上述代码也能执行成功。
-
数据检查方法考察
pydantic本身提供了上述基本类型的数据检查方法，但是，除此之外，我们也可以使用validator和config方法来实现更为复杂的数据类型定义以及检查。 -
validator用法考察
使用validator方法，我们可以对数据进行更为复杂的数据检查。
下面，我们给出一个代码实现样例如下：
import re
from pydantic import BaseModel, validator
class Password(BaseModel):
password: str
@validator("password")
def password_rule(cls, password):
def is_valid(password):
if len(password) < 6 or len(password) > 20:
return False
if not re.search("[a-z]", password):
return False
if not re.search("[A-Z]", password):
return False
if not re.search("\d", password):
return False
return True
if not is_valid(password):
raise ValueError("password is invalid")
通过这种方式，我们就可以额外对密码类进行格式要求，对其字符数以及内部字符进行要求。
- Config方法考察
如果要对BaseModel中的某一基本型进行统一的格式要求，我们还可以使用Config方法来实现。
例如：
from pydantic import BaseModel
class Password(BaseModel):
password: str
class Config:
min_anystr_length = 6 # 令Password类中所有的字符串长度均要不少于6
max_anystr_length = 20 # 令Password类中所有的字符串长度均要不大于20
有关Config类中的特殊关键词名称，这里只给出了两个简单的例子，更多的内容可以参考官网中的文档说明。
- 参考链接
https://pydantic-docs.helpmanual.io/
https://blog.csdn.net/swinfans/article/details/89629641
网友评论